论文部分内容阅读
投资者总是迫切的希望在金融市场中,能够负担更小的风险,取得更大的利益,这就需要构建更加精准的预测市场风险的模型,而在传统的时间序列分析中,大多都是基于收盘价,从概率性的角度出发,根据随机波动理论模型,来构建模型的。显然,股票市场上金融资产的价格波动总是以[最低价,最高价]这样的区间数据序列来给出信息的的,仅依赖于收盘价这样的单值序列,无可避免地导致观测信息的流失,从而降低了模型的有效性。将区间模型引入金融领域,这方面的研究相对而言很少。本文直接从金融区间数据出发,构建区间模型,来对未来的股票价格以及波动率做估计。由于波动率具有厚尾性、杠杆性、不对称性、聚集性等多种特征,对了更好的解读波动率的杠杆效应,已经有很多学者将平滑转移模型引入单值序列的波动率模型(如HAR模型),这样研究论证引入平滑转移后的模型具有更好的解释力和拟合性。但在区间模型里合理的引入平滑转移的研究,目前还是空白领域。本文针对金融区间数据,建立了区间自回归模型CM,CRM,CCRM,PM,并在区间半径的回归模型中引入平滑转移函数,分别可考虑3种不同的状态变量,共建立了 12个模型。在实证部分,本文以沪深300指数2008年1月2日至2017年12月29日的日区间价格序列作为数据,来拟合和评估模型。根据股市波动,我们将全窗口分为正常波动时段和异常波动时段进行分类讨论。首先本文比较了 CM模型,CRM模型,PM模型的预测能力,利用DM检验进一步说明了 CRM和PM对于CM模型的改进,接着本文利用DM检验和MCS检验,利用多种损失函数来对比区间模型与GARCH模型的样本外预测能力,以及评估区间模型间的波动率拟合和预测能力。总体来说,对于波动率预测,在正常波动阶段,引入平滑转移的CRM模型的衍生模型CRM-ST(d)模型显著提高了 CRM模型的预测能力,引入平滑转移的PM模型的衍生模型PM-ST(d)模型显著提高了 PM模型的预测能力;在异常波动阶段,CRM-ST(w),CRM-ST(m),PM-ST(w),PM-ST(m)模型表现出了更好的波动率的预测能力。